In de afgelopen jaren is er aanzienlijke vooruitgang geboekt in het gebruik van akoestische technologieën en artificiële intelligentie (AI) voor het diagnosticeren en monitoren van verschillende pathologieën. Het meest recente voorbeeld is een project om tuberculose vroegtijdig op te sporen in India aan de hand van hoestgeluiden.
In 2022 kreeg EKO, een bedrijf dat gespecialiseerd is in intelligente stethoscopen, goedkeuring van de FDA voor een algoritme dat hartruisen kan detecteren en karakteriseren bij zowel volwassen als pediatrische patiënten. De software gebruikt hartgeluiden, fonocardiogrammen en ECG-signalen om onschuldige ruis te onderscheiden van structurele ruis.
Op vergelijkbare wijze heeft het Israëlische gezondheidszorgtechnologiebedrijf TytoCare 49 miljoen dollar opgehaald voor zijn smart home clinic, waarmee artsen onderzoeken op afstand kunnen uitvoeren met behulp van aangesloten apparaten, waaronder een FDA-goedgekeurde stethoscoop voor het analyseren van longgeluiden.
In een ander voorbeeld is spraakanalysebedrijf Canary Speecheen samenwerking aangegaan met Microsoft om AI toe te passen op zijn modellen voor machine learning in de gezondheidszorg. Canary gebruikt spraakbiomarkers om gegevens te analyseren en onregelmatigheden in spraak te detecteren, wat de weg vrijmaakt voor oplossingen voor patiëntmonitoring op afstand.
Tegen deze achtergrond van innovatie is Salcit Technologies, een Indiaas bedrijf dat gespecialiseerd is in gezondheid van de luchtwegen, een samenwerking aangegaan met het onderzoeksteam van Google om zijn bioakoestische AI-technologie, Swaasa, te verbeteren. De samenwerking is erop gericht om gebruik te maken van Google's Health Acoustic Representations (HeAR)-technologie om vroegtijdige tuberculose-detectie op basis van hoestgeluiden te verbeteren.
Het Google-team trainde HeAR met 300 miljoen audiomonsters uit een diverse en geanonimiseerde dataset. In het bijzonder werd het hoestmodel getraind met ongeveer 100 miljoen hoestgeluiden. Met behulp van deze enorme database leert HeAR specifieke patronen te herkennen in gezondheidsgerelateerde geluiden, waardoor een krachtige basis ontstaat voor medische geluidsanalyse.
Swaasa, dat al bekend staat om zijn gebruik van machine learning om te screenen op aandoeningen van de luchtwegen, hoopt zijn impact uit te breiden in India, waar de behoefte aan toegankelijke en effectieve screening cruciaal is. De integratie van HeAR in Swaasa zou een beslissende rol kunnen spelen in de strijd tegen tuberculose, door een krachtig en toegankelijk instrument te bieden voor het screenen op deze ziekte.
